[发明专利]一种基于数据集成预测的软件自适应测试方法

说明书

本发明提供一种基于数据集成预测的软件自适应测试方法，包括：使用过滤选择的外部数据建立全局缺陷预测器并进行训练学习，将被测软件划分为多个用例，再对多个用例进行缺陷概率预测，将得到缺陷概率预测结果从大到小进行排序，选择前k位的用例作为测试集进行测试；将测试结果作为反馈输入加入到全局缺陷预测器的训练数据中，使用测试结果数据建立并训练本地缺陷预测器，将全局缺陷预测器和本地缺陷预测器的结果按照权重调整方案进行集成预测。本发明能够更早发现更多的软件缺陷，提高缺陷预测的精度和效果，提高软件测试效率，还可以解决软件测试资源约束的问题，降低测试成本，具有重要的工程应用价值。

技术领域

本公开涉及软件缺陷预测和软件测试技术领域，尤其涉及一种基于数据集 成预测的软件自适应测试方法。

背景技术

科技的迅猛发展增加了信息利用的广度和深度，信息技术的发展使得软件 也表现出高度复杂、高维交互、行为突现的特点，增加了软件行为的不确定性， 使得软件缺陷更难发现，软件测试开展难度大大提高。实际工程测试项目表明， 传统的软件测试方法在针对复杂软件进行测试过程中，消耗人力和财力资源十 分庞大，成本巨大，并且测试效率难以保证。

通过软件缺陷预测技术解决测试资源分配是提升软件测试效率的一种有 效手段，也是工程领域中的普遍做法。但是，面对新型软件演化出的特征，缺 陷预测面临更为巨大挑战，主要表现为：1)交互信息海量，软件失效场景更 为复杂多样，测试空间的膨胀导致预测的范围更广；2)软件高度复杂，关键 故障难以被预测以及定位，导致软件缺陷预测的精准度降低；3)软件行为突 现导致软件缺陷规律更难被识别，带来预测的不确定性更加显著。

目前绝大多数的缺陷预测技术仍停留在静态预测层面，缺陷预测和软件测 试仍是两个独立的体系。面对新型软件中更广的预测范围和更复杂的缺陷规律 变化，静态的缺陷预测结果可能会导致软件测试的效率变得更糟。传统的自适 应软件测试能够实现动态的测试过程，但是由于并不涉及到机器学习或深度学 习技术，在处理多维数据时，表现不佳，同时消耗大量的测试开销。

发明内容

有鉴于此，本公开实施例提供一种基于数据集成预测的软件自适应测试方 法，该方法是一种动态的策略，针对新型软件的高度复杂、预测不确定问题能 有更佳的适应性。本方法通过缺陷预测优化软件测试过程，同时通过软件测试 结果优化缺陷预测过程，使得软件测试策略能够进行实时调整，以适应软件特 征的变化。

为了实现上述目的，本发明提供如下技术方案：

一种基于数据集成预测的软件自适应测试方法，包括以下步骤：

步骤1、设计外部数据过滤机制，确定全局缺陷预测器的训练数据；

步骤2、使用过滤选择的外部数据建立全局缺陷预测器并进行训练学习， 将被测软件划分为多个软件模块或测试用例，再使用训练后的全局缺陷预测器 对所述多个软件模块或测试用例进行缺陷概率预测，得到缺陷概率预测结果；

步骤3、将所述多个软件模块或测试用例按照缺陷概率预测结果从大到小 进行排序，选择前k位的软件模块或者测试用例作为测试集，完成下一步的测 试动作；

步骤4、将步骤3中得到的测试结果作为反馈输入加入到全局缺陷预测器 的训练数据中，实现对全局缺陷预测器的动态调整，同时使用测试结果数据建 立并训练本地缺陷预测器，同时对所述全局缺陷预测器和本地缺陷预测器的权 重进行调整；

步骤5、将所述全局缺陷预测器和本地缺陷预测器的结果按照权重调整方 案进行集成预测，完成测试过程。

进一步地，所述步骤5中还包括：利用全局缺陷预测器和本地缺陷预测器 的集成预测结果指导被测软件再次进行软件模块或者测试用例的选择，完成测 试动作后，再次将测试结果作为全局缺陷预测器和本地缺陷预测器的反馈输 入，对全局缺陷预测器和本地缺陷预测器的训练模型进行动态的反馈调整，并 再次调整权重，循环操作直至达到测试目标时，结束软件测试过程。